论文部分内容阅读
WiFi定位是目前主流的室内定位方法,指纹库的构建对于基于WiFi的室内定位系统至关重要。然而,为了实现高精度的室内定位,这种方法需要耗费大量的人力和时间在各个采样点位置采集足够多的数据。本文通过使用无设备的定位方法分别在各个采样点位置采集信道状态信息(Channel State Information,CSI),然后将采集的CSI数据转化为CSI特征图,然后利用本文提出的小波变换特征深度卷积生成对抗网络(Wavelete Transform-Fearure Deep Convolutional Generative Adversarial Netwoks,WTF-DCGAN)模型来扩充指纹库的样本数量。接着,将扩充后的指纹库送入卷积神经网络中进行图像的分类训练,最终通过调整卷积神经网络的模型和参数可以得到一个高准确率的特征图分类模型从而实现室内定位。本文中使用的WTF-DCGAN模型在训练阶段加快了模型的收敛速度并提高了CSI特征图的多样性。扩充后的指纹库提高了室内定位系统的定位准确率,同时还降低了在离线阶段指纹库构建过程中的人力和时间成本。通过使用训练好的卷积神经网络模型进行特征图的分类提高了室内定位的精度。具体研究内容如下:1.分析验证了室内环境中当实验人员站在各参考点位置时,固定接收点(Receiving Point,RP)处采集的WiFi信号中CSI数据的特性具有代表该位置的特征且可用于定位的性能。将实验人员站在各参考点位置时RP收集到的CSI数据转化为CSI特征图来表示与该位置匹配的指纹构成初始指纹库,利用神经网络模型对其进行扩充,从而取代其它论文中增加人力和时间成本来扩充指纹库的方法。2.提出了一种新型的小波变换特征深度卷积生成对抗网络模型WTF-DCGAN,该模型是对深度卷积生成对抗网络模型(Deep Convolutional Generative Adversarial Networks,DCGAN)的改进模型,模型的改进借鉴了Wasseratein生成对抗网络(Wasseratein Generative Adversarial Networks,WGAN)模型。通过分析对比DCGAN模型和WGAN模型对于生成CSI特征图的多样性及模型的收敛性的不足来验证所提出WTF-DCGAN模型的优越性。3.提出了利用小波变换特征卷积神经网络(Wavelete Transform-Feature Convolutional Neural Networks,WTF-CNN)模型来对指纹库中的特征图进行训练分类从而实现位置定位的目的。通过将扩充后的指纹库送入WTF-CNN模型中进行训练,可以得到一个对于参考点位置特征图可分类的高准确率模型,最后通过取前几个高概率分类结果的位置几何中心得到最终定位结果。